Generative KI kann in Minuten liefern, wofür ein Instructional Designer früher Stunden brauchte: Gliederungen, Lerntexte, Quizfragen, Varianten, Zusammenfassungen und Übersetzungen. Für L&D ist das attraktiv – gerade dort, wo Fachwissen schnell in Lernangebote übersetzt werden muss.
Nur entsteht dabei leicht eine gefährliche Abkürzung im Denken: Wenn Content schneller produziert wird, ist Lernen noch lange nicht besser geworden. Ein sauber formulierter Kurs kann fachlich falsch sein. Eine plausible Quizfrage kann das falsche Lernziel prüfen. Und ein didaktisch glatter Text kann genau jene Denkarbeit aus dem Lernprozess entfernen, die eigentlich aufgebaut werden sollte.
Die interessante Frage lautet deshalb nicht: Kann KI Lerninhalte erstellen? Das kann sie längst. Die bessere Frage lautet: Welche Teile der Lerncontent-Produktion dürfen wir beschleunigen – und an welchen Stellen braucht es weiterhin eine explizite Qualitätsentscheidung?
Der schnelle Entwurf ist noch kein guter Kurs
Der OECD Digital Education Outlook 2026 trennt zwei Dinge, die in der KI-Debatte oft zusammenfallen: bessere unmittelbare Aufgabenleistung und tatsächliches Lernen. Generative KI kann Menschen helfen, bessere Ergebnisse zu produzieren. Das bedeutet aber nicht automatisch, dass Wissen oder Fähigkeiten nachhaltig aufgebaut werden. Entscheidend ist, ob der KI-Einsatz einem klaren pädagogischen Zweck folgt.
Für Corporate Learning ist diese Unterscheidung zentral. Ein Autorentool kann einen Text in zehn Minuten statt in zwei Stunden erzeugen. Das ist ein realer Produktionsgewinn. Ob der Text die richtige Kompetenz aufbaut, ob die Beispiele zur Rolle passen und ob das Assessment wirklich die gewünschte Leistung prüft, ist damit noch nicht beantwortet.
- Ein schneller Draft ist ein Produktionssignal, kein Qualitätsnachweis.
- Lernziel, fachliche Evidenz und Assessment brauchen weiterhin explizite Eigentümer.
- KI ist besonders stark bei Transformation, Variantenbildung und Konsistenzarbeit.
- Je folgenreicher ein Lerninhalt, desto stärker muss die Freigabe sein.
Die OECD dokumentiert 2026 bereits zahlreiche Einsatzfelder von KI in der Entwicklung von Curricula und Qualifikationen: Arbeitsmarktdaten analysieren, Kompetenzen zuordnen, Entwürfe erzeugen, Inhalte gegen Rahmenwerke prüfen oder Assessment-Bausteine vorbereiten. Das Muster ist bemerkenswert: KI wird überwiegend unterstützend eingesetzt. Die Verantwortung für das Ergebnis verschwindet nicht.
Wo KI im Content-Prozess wirklich stark ist
Viele L&D-Teams beginnen beim offensichtlichsten Use Case: „Schreib mir einen Kurs über Thema X.“ Technisch funktioniert das. Operativ ist es aber oft der falsche Startpunkt, weil dabei Recherche, Lernziel, Struktur, Formulierung und Qualitätskontrolle in einem einzigen Prompt verschwimmen.
Robuster wird der Prozess, wenn KI klar abgegrenzte Transformationen übernimmt. Aus einem freigegebenen Fachbriefing kann sie beispielsweise erste Gliederungsvarianten erzeugen. Aus einem bestehenden Lernziel kann sie Übungsszenarien vorschlagen. Ein langer Fachtext lässt sich in unterschiedliche Formate überführen. Terminologie kann auf Konsistenz geprüft werden. Bereits freigegebene Inhalte können für andere Rollen oder Schwierigkeitsstufen variiert werden.
Die OECD beschreibt ähnliche Muster in der beruflichen Bildung. KI wird dort unter anderem für Kompetenz-Mapping, Curriculum-Entwürfe, Konsistenzprüfungen und Assessment-Design erprobt. In einzelnen Projekten verkürzt sie aufwendige Entwurfsphasen deutlich. Gleichzeitig zeigen die Beispiele, dass fachliche und institutionelle Validierung zentral bleibt.
Je klarer Input, Aufgabe und Qualitätskriterium getrennt sind, desto kontrollierbarer wird die Automatisierung.
Vier Entscheidungen sollte L&D nicht einfach an das Modell delegieren
Das bedeutet nicht, dass ein Mensch jedes Wort selbst schreiben muss. Aber vier Entscheidungen verdienen einen eindeutigen Owner.
Das Lernziel darf nicht aus dem vorhandenen Content rückwärts geraten werden. Es muss aus Rolle, Aufgabe und gewünschter Leistung entstehen. Die KI kann Formulierungen verbessern – aber sie sollte nicht stillschweigend entscheiden, welches Problem die Qualifizierung lösen soll.
Bei Prozessen, Produkten, Compliance oder Sicherheit braucht der Content belastbare Quellen. Das Modell kann Material strukturieren. Welche Version einer Richtlinie, welches Verfahren oder welche Fachquelle verbindlich ist, muss außerhalb des generierten Textes feststehen.
Eine Quizfrage ist schnell erzeugt. Schwieriger ist die Frage, ob sie wirklich das Lernziel prüft. Wer Anwendungskompetenz erwartet, aber nur Begriffe abfragt, erhält ein sauberes Quiz und trotzdem keinen belastbaren Kompetenznachweis.
Vor Veröffentlichung muss klar sein, wer fachliche Richtigkeit, didaktische Passung und gegebenenfalls regulatorische Anforderungen verantwortet. „Von der KI erstellt“ ist keine Freigaberolle.
Diese Trennung passt zu den fünf Prinzipien, die die OECD für KI in der beruflichen Bildungsentwicklung formuliert: menschenzentrierter Einsatz, Vielfalt und Inklusion, Verantwortlichkeit, Transparenz sowie Datenqualität und Schutz. Für ein Corporate-Learning-Team lässt sich daraus kein fertiges Prozesshandbuch ableiten. Aber die Richtung ist eindeutig: KI sollte Entscheidungen nachvollziehbarer machen, nicht Eigentümerschaft verwischen.
Ein Produktionsmodell mit drei Gates
Für die Praxis braucht es keine KI-Bürokratie mit zwanzig Freigabestufen. Drei sauber definierte Gates reichen für viele Lerncontent-Prozesse als Ausgangspunkt.
Gate 1: Briefing und Evidenz
Bevor generiert wird, stehen Zielgruppe, Arbeitsproblem, Lernziel und Quellen fest. Bei einem internen Prozess kann das die aktuelle SOP sein. Bei Produktschulungen sind es freigegebene Produktinformationen. Bei gesetzlichen Themen braucht es eine belastbare Primärquelle und gegebenenfalls Fachprüfung.
Das verändert die Rolle des Prompts. Er ist nicht mehr „Erfinde einen guten Kurs“, sondern „Transformiere diese freigegebene Grundlage in einen Entwurf mit diesem Lernziel“.
Gate 2: Instructional QA
Jetzt wird nicht nur auf Rechtschreibung geschaut. Passt die Struktur zum Lernziel? Müssen Lernende etwas erinnern, entscheiden, anwenden oder ausführen? Enthalten Übungen echte Entscheidungssituationen? Prüft das Assessment die erwartete Leistung?
Gerade bei Assessment-Items ist Vorsicht sinnvoll. Der OECD Digital Education Outlook zeigt, dass GenAI bei der Item-Erstellung durchaus leistungsfähig sein kann, die Zuverlässigkeit aber nach Domäne und kognitiver Anforderung variiert. Human-in-the-loop-Qualitätssicherung bleibt deshalb relevant.
Gate 3: Release
Am Ende steht eine veröffentlichbare Version mit klarer Identität: freigegebene Quellen, Verantwortlicher, Version und gegebenenfalls Review-Datum. Das klingt banal. In automatisierten Content-Pipelines ist es aber der Unterschied zwischen „wir haben etwas generiert“ und „wir können dieses Lernobjekt kontrolliert betreiben“.
Diese Logik wird besonders wichtig, wenn KI nicht mehr einen einzelnen Entwurf erstellt, sondern Dutzende Varianten, Übersetzungen oder rollenbezogene Fassungen. Dann skaliert nicht nur die Produktion. Ohne Gates skaliert auch der mögliche Fehler.
Gegenposition: Muss wirklich jeder KI-Entwurf manuell geprüft werden?
Nein. Das wäre die nächste schlechte Abkürzung.
Wenn ein Modell aus einem freigegebenen Text drei Teaser-Varianten erstellt, ist das Risiko ein anderes als bei einer neuen Sicherheitsunterweisung. Wenn eine Übersetzung nur als interner Arbeitsentwurf dient, braucht sie eine andere Kontrolle als ein verbindlicher Nachweistext. Und wenn ein System eine Formatierung oder Metadatenzuordnung deterministisch erledigt, ist menschliches Gegenlesen häufig schlicht Verschwendung.
Die sinnvolle Einheit für Governance ist deshalb nicht „KI oder keine KI“, sondern Artefakt plus Konsequenz.
Je höher der Schaden eines Fehlers und je schwerer er später zu entdecken ist, desto stärker sollte das Gate sein. Je mechanischer und reversibler die Aufgabe, desto mehr kann automatisiert werden. So wird Human Review nicht zum Flaschenhals, sondern gezielt dort eingesetzt, wo Urteil tatsächlich benötigt wird.
Die Kennzahl ist nicht Content pro Stunde
Generative KI macht eine Kennzahl plötzlich sehr leicht beeindruckend: Output. Mehr Texte, mehr Quizfragen, mehr Varianten, mehr Kurse.
Für L&D ist das gefährlich, weil Content ohnehin selten das eigentliche Ziel ist. Ein Unternehmen braucht nicht möglichst viele Lernobjekte. Es braucht Mitarbeiter, die bestimmte Aufgaben besser, sicherer oder regelkonform erledigen können.
Wer KI in der Content-Produktion bewertet, sollte deshalb mindestens auch Nacharbeit, fachliche Fehler, Freigabeschleifen, Nutzung und – wo sinnvoll messbar – Lern- oder Transferergebnisse betrachten. Ein Draft, der in zwei Minuten entsteht und anschließend drei Review-Runden benötigt, ist anders zu bewerten als ein Draft, der eine Stunde spart und nahezu unverändert freigegeben werden kann.
Die produktive Zukunft von KI im Learning Content liegt deshalb wahrscheinlich nicht im vollautomatischen Kursgenerator, der aus einem Stichwort ein fertiges Lernangebot ausspuckt. Interessanter ist die kontrollierte Pipeline: belastbare Grundlage hinein, KI für die passenden Produktionsschritte einsetzen, Qualitätsentscheidungen sichtbar lassen und nur eine geprüfte Version veröffentlichen.
Dann wird KI tatsächlich zum Beschleuniger. Nicht weil sie Instructional Design ersetzt, sondern weil sie dem Instructional Design die repetitiven Teile abnimmt.